Um den größtmöglichen Nutzen aus der Analytik zu ziehen, muss der Fokus auf den Geschäftsergebnissen liegen. Hier beleuchten IT-Führungskräfte, wie sie die Analysepraktiken ihres Unternehmens in Geschäftswerte verwandelt haben. [...]
Viele Unternehmen haben Schwierigkeiten, aus ihren Analysen geschäftlichen Nutzen zu ziehen. Laut Gartner werden bis 2022 nur 20 Prozent der analytischen Erkenntnisse zu Geschäftsergebnissen führen. Was die KI betrifft, so werden laut Gartner 80 Prozent der Projekte in diesem Jahr „Alchemie bleiben, geleitet von Assistenten, deren Talente im Unternehmen nicht skalieren werden“.
Die Einrichtung von Analyseprojekten oder einer Analyse-Organisation ist eine Sache, aber aus der Analytik Wert zu schöpfen, ist eine andere. Und da die COVID-19-Pandemie die Volkswirtschaften rund um den Globus weiterhin erschüttert, werden die Unternehmen wahrscheinlich einen genauen Blick auf den ROI werfen, wenn es um Analytik und datenwissenschaftliche Gruppen geht.
„Es geht nicht um Analytik. Es geht nicht einmal um Erkenntnisse. Es geht um Auswirkungen. Wenn Sie keine Wirkung erzielen, verschwenden Sie Ihre Zeit“, sagt Mike Onders, Chief Data Officer, Divisional CIO und Leiter der Unternehmensarchitektur bei der KeyBank in Cleveland, Ohio.
Hier ist die rücksichtslose Konzentration auf die Geschäftsergebnisse von entscheidender Bedeutung, ebenso wie die Fähigkeit, schnell nachzuweisen, dass Analysen geschäftliche Auswirkungen haben können und dann Ergebnisse in großem Maßstab liefern.
„Wir arbeiten rückwärts, ausgehend von bestimmten Geschäftsergebnissen, die wir erreichen wollen“, erklärt Shri Santhanam, Executive Vice President und General Manager of Global Analytics and AI bei Experian. „Letztendlich sind ML [maschinelles Lernen] und KI eher Vehikel, um uns zum Endziel zu bringen, aber in Wirklichkeit ist das, worüber wir reden, was wir teilen, was wir mit unseren Kunden vorantreiben, eine besser abgestimmte Gesamtheit von Ergebnissen.“
Hürden für den Wert der Analytik
Institutionelle Hindernisse gehören zu den größten Hindernissen für den ROI der Analytik, so Brian Hopkins, Vice President und leitender Analyst für CIOs bei Forrester Research.
„Das Problem, das wir sehen, besteht darin, dass die Datenstrategie der CIOs eine Menge Veränderungen auf Geschäftsebene, Veränderungen der Geschäftsprozesse, neue Organisationsstrukturen außerhalb der IT mit sich bringt, um Entscheidungen über Datendefinitionen und Prioritäten zu treffen, Datenschutzrichtlinien durchzusetzen und andere Dinge, die der CIO nicht kontrollieren kann, die aber Kosten verursachen.“
Hopkins zufolge wenden sich viele Unternehmen an ihre CIOs, um eine Technologielösung für die Wertschöpfung aus ihren Daten anzubieten, sehen aber nicht das Gesamtbild. Unabhängig davon, wie viel sie für Technologie budgetieren, müssen sie möglicherweise doppelt so viel in breit angelegte geschäftliche Veränderungen investieren.
„Dieser große Teil der Firmen, die diese erhabene Vision einer Datenstrategie haben, die dem CIO in Bezug auf das Budget für Investitionen in die Technologielösungen auf den Kopf gefallen ist, werden erkennen, dass die Kosten der Datenstrategie viel größer sind als nur die IT und dass sie eine Menge geschäftlicher Veränderungen mit sich bringt“, sagt Hopkins. „Dazu gehören Prozessänderungen, Anwendungsänderungen, organisatorisches Änderungsmanagement, Anreizänderungen“.
Um den Anfang zu machen, müssen CIOs Partnerschaften mit den Interessenvertretern des Unternehmens aufbauen. Letztlich muss die Führungsspitze allerdings auch Anreize schaffen, um diese Partnerschaften voranzutreiben.
„Man muss Geschäftsmanagern Anreize bieten, sich um Daten zu kümmern und sich darum zu kümmern, wie gut ihre Daten von anderen Geschäftsbereichen genutzt werden können“, so Hopkins. „Das ist etwas, bei dem die meisten CIOs nicht ohne weiteres mit dem Zauberstab wedeln und etwas ändern können“, so Hopkins.
Hier beleuchten IT-Führungskräfte, wie ihre Unternehmen die Umstellung auf analysegesteuerte Auswirkungen vollzogen haben, und geben Ratschläge für diejenigen, die ihre Datenpraktiken in Geschäftsvermögen umwandeln wollen.
Rechenschaftspflicht bei der Analyse
Onders berichtet, dass die KeyBank dieses Problem angegangen ist, indem sie die Interessenvertreter der Geschäftssparte eng mit dem Analytik-Team zusammenarbeiten lässt – und für die Geschäftsergebnisse der von ihnen angeforderten Analyseprojekte verantwortlich ist. Für jedes Projekt erstellt KeyBank eine einseitige Charta, in der das vom Unternehmen angestrebte Ergebnis und die Metriken zur Bewertung dieses Ergebnisses beschrieben werden. Die Charta listet den Unternehmenssponsor, den Produktleiter, den Analytikleiter, den Risikoleiter und den technischen Leiter auf.
„In der einseitigen Charta heißt es: ‚Welche Metriken sehen Sie sich an?‘ Sie müssen die Metriken auflisten. Wenn diese Analysen etwas ändern werden, welche Metrik wird sich dann ändern? Wir machen Sie dafür verantwortlich, dass von Ihnen erwartet wird, dass Sie bis zu diesem Datum so sein werden. Wie werden die Analysen Sie dorthin bringen? Es ist einfach eine viel aggressivere Art von Charta, die sich an den Metriken orientiert, die sich an der Wirkung ausrichtet und für die ein hochrangiger Unternehmensleiter rechenschaftspflichtig ist“, sagt Onders.
Alle zwei Monate muss der Unternehmensleiter einen Bericht vorlegen, aus dem hervorgeht, wie sich die Analysen auf das Geschäftsergebnis ausgewirkt haben, um weitere Investitionen in das Projekt zu rechtfertigen.
Experians Datenteam verlässt sich auch auf enge Partnerschaften mit dem Unternehmen, um die Analyseinitiativen voranzutreiben, einschließlich einer Betonung darauf, „Klarheit über die Geschäftsergebnisse in quantifizierbarer Weise zu erhalten“, erklärt Santhanam. Aber Experians Analysephilosophie ermöglicht auch einen flexibleren, iterativen Ansatz.
„Wir fangen damit an, Dinge zu tun, die nicht skalieren, und hacken uns durch das Geschäftsproblem selbst. Dadurch können wir von einer Reihe von Zwängen abweichen, was uns erlaubt, sehr schnell zu operieren, zu experimentieren und zu verstehen, wo die Hebelwirkung liegt“, sagt er.
Upskilling für Analyse-Erfolg
Damit eine Zusammenarbeit zwischen Unternehmen und IT bei der Analyse erfolgreich sein kann, ist jedoch ein Kulturwandel unerlässlich. Geschäftsprofis müssen sich nicht nur in datengesteuerten Prozessen und Technologien auskennen, sondern auch dazu beitragen, Lücken in Bereichen zu schließen, in denen die Nachfrage nach Fähigkeiten das Angebot übersteigt.
Jabil ist ein Unternehmen, das Geschäftsprofis und Führungskräfte darin ausbildet, was erforderlich ist, um Analytik in wirkungsvolle Geschäftsinitiativen zu verwandeln. Das Produktionsdienstleistungsunternehmen konzentriert sich seit Jahren darauf, datengesteuerter zu werden. Als es Schwierigkeiten hatte, Datenwissenschaftler zu finden, schuf es ein Citizen Data Science-Programm, das ihm dabei helfen sollte, die ihm zur Verfügung stehenden Daten auszuwerten.
Gary Cantrell, CIO von Jabil, erklärt, dass die beiden Schlüsselkomponenten von Jabils Bestreben, stärker datengesteuert zu werden, ein rücksichtsloser Fokus auf die Lösung von Geschäftsproblemen und ein eng damit verbundener Anstoß für die Förderung von Führungskräften waren.
Es war eine Herausforderung, Führungskräfte aus der Wirtschaft und leitende Angestellte ins Boot zu holen, aber letztlich einer der wichtigsten Faktoren für den Erfolg von Jabils Analytik. Im Rahmen seines Programms „Citizen Data Science“ schuf Jabil eine Schulungskohorte auf Führungsebene, die wichtige Führungskräfte durch ein gezieltes, zweitägiges Schulungsprogramm zur Datenwissenschaft führte. Das Programm half Führungskräften zu verstehen, wie wichtig es ist, ein datengesteuertes Unternehmen zu werden, und gewann ihre enthusiastische Unterstützung, als sie sich auf die Suche nach Geschäftsproblemen machten, die sie mit Daten angehen wollten. Das Programm verstärkt weiterhin das Sponsoring von Führungskräften, indem es leitende Angestellte zur Teilnahme an Nachbesprechungen einlädt, wenn jede Kohorte das Programm abschließt.
„Wir haben wirklich damit begonnen, uns in das Führungsteam einzubringen, als sie sahen, dass die Probleme ihres Unternehmens angegangen wurden und Ergebnisse herauskamen, die ihnen helfen könnten, besser zu werden“, so Cantrell. „Fairerweise muss man sagen, dass wir dafür eine Menge Verkäufe an der Front tätigen mussten. Und dann dauerte es den größten Teil der drei Jahre, um die leitenden Angestellten dafür zu begeistern. Aber jetzt lautet die Frage nach den vergangenen zwei Jahren: ‚OK, was machen Sie jetzt mit der Analytik? Was kommt als Nächstes?‘ Es dauerte eine Weile, aber letztendlich brachten wir die Botschaft rüber, indem wir sie mit dem Geschäftsbereich in Verbindung brachten, bei dem sie den Wert sehen.
Datensilos aufbrechen
Veraltete Datenpraktiken können auch die Fähigkeit eines Unternehmens einschränken, ihre Daten in Geschäftswert umzuwandeln. Der Hauptschuldige? Datensilos.
In den letzten Jahren hat Bayer Crop Science versucht, maschinelles Lernen und künstliche Intelligenz in jedem Aspekt seines Unternehmens anzuwenden. Die Präzisionslandwirtschaft war ein wichtiger Schwerpunkt. Michelle Lacy, Leiterin der Datenstrategie für Forschung und Entwicklung in der Division Pflanzenbiotechnologie bei Bayer Crop Science, erklärt, dass die Einhaltung der FAIR-Daten – einer Reihe von Leitprinzipien für das wissenschaftliche Datenmanagement und die Verwaltung von Daten, die in Scientific Data veröffentlicht wurden – für das Unternehmen bei der datengesteuerten Transformation von grundlegender Bedeutung war und ihm dabei half, Datensilos aufzubrechen.
FAIR (findable, accessible, interoperable, and reusable – auffindbar, zugänglich, interoperabel und wiederverwendbar) ist eine Art „Data Bill of Rights“, die besagt, dass die Nutzer ihre Daten leicht finden können sollen, dass die Nutzer auf die Daten zugreifen können sollen, die sie für ihre Entscheidungen benötigen (und dabei weiterhin den Cyber-Sicherheitsrichtlinien folgen sollen), dass die Daten interoperabel sein sollen und dass die Daten wiederverwendbar sein sollen.
„Das ist extrem wichtig“, sagt Lacy. „Es ist die Grundlage unserer Datenstrategie.“
Oftmals können Daten, die von einer Gruppe entwickelt wurden, für die Arbeit anderer Gruppen hilfreich sein. Um die Daten effizient nutzen zu können, müssen die verschiedenen Gruppen wissen, dass die Daten existieren und wie sie zu finden sind, und die Daten müssen kompatibel sein.
„Wenn man verschiedene Assays an einer einzigen Pflanze durchführt, ob es sich nun um Field Assays oder verschiedene Experimente in einem Labor handelt, muss man in der Lage sein, diese Daten zusammenzuführen“, so Lacy. „Man kann es sich wie ein Puzzle vorstellen, und all diese verschiedenen Assays, die man durchführt, sind Teile dieses Puzzles. Der Projektleiter muss diese Teile wieder zusammensetzen.
Vertauen
Wie bei vielen Transformationen hängt der Übergang zu einer datengesteuerten Organisation vom Vertrauen ab: in die Teammitglieder, in neue Prozesse, und darauf, dass sich die aus den Daten gewonnenen Erkenntnisse positiv auf das Geschäft auswirken.
Bei Experian leiten „vier Säulen“ jedes maschinelle Lern- und KI-Projekt, sagt Santhanam: Leistung, Skalierung, Akzeptanz und Vertrauen.
In der Vergangenheit, so Santhanam, habe das Thema Vertrauen die Möglichkeiten der Banken zur Nutzung ihrer Analysemodelle eingeschränkt.
„Viele der Positionierungsmodelle waren ziemlich einfache logistische Regressionsmodelle, gerade weil das Vertrauen, etwas Komplexeres und Undurchsichtigeres aufzubauen, ein Risikoniveau schafft, das sich außerhalb der Risikobereitschaft von stark regulierten Unternehmen befindet. Was wir jedoch sehen, ist, dass sowohl der regulatorische Rahmen als auch die Unternehmen in diesem Raum den Wert komplexerer Algorithmen und komplexerer Techniken erkennen und einen eher stufenweisen Ansatz verfolgen, um sich mit erklärbaren KI-Rahmenwerken verantwortungsvoll in diesen Raum zu bewegen“, so Santhanam.
„Letztendlich erfordert eine treibende Kraft alle vier dieser Dinge, und es ist ziemlich leicht, sich zu verirren, wenn man die Geschäftsergebnisse nicht als Ziel vor Augen hat“, fügt er hinzu.
*Thor Olavsrud befasst sich für CIO.com mit Datenanalyse, Business Intelligence und Datenwissenschaft.
Be the first to comment